專利名稱：一種結(jié)合周相似特性的分形交通流預(yù)測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及智能交通系統(tǒng)，尤其是一種交通流預(yù)測方法。

背景技術(shù)：
短時交通流預(yù)測中使用廣泛的模型有計量模型、神經(jīng)網(wǎng)絡(luò)模型、動態(tài)交通分配模型以及非線性系統(tǒng)理論模型。交通系統(tǒng)是人參與的、時變的復(fù)雜系統(tǒng)，傳統(tǒng)的計等量模型(數(shù)理統(tǒng)計模型)已經(jīng)不適應(yīng)短時交通流的預(yù)測精度。人工神經(jīng)網(wǎng)絡(luò)對非線性系統(tǒng)的預(yù)測具有很好的適應(yīng)性，但是運(yùn)用神經(jīng)網(wǎng)絡(luò)需要大量樣本對模型進(jìn)行訓(xùn)練，推廣能力較差。動態(tài)交通分配模型主要目的是對路網(wǎng)上的交通流進(jìn)行合差理分配，模型中所進(jìn)行的預(yù)測的實時性較差，精度不高。而非線性系統(tǒng)理論包括了分形理論和相空間重構(gòu)等非線性科學(xué)，一些學(xué)者所做的研究主要集中在用相空間理論、混沌理論等對交通流的預(yù)測，并且取得了較高的預(yù)測精度，但是實時性較差。


發(fā)明內(nèi)容
為了克服已有的交通流預(yù)測方法的實時性較差、預(yù)測精度不高的不足，本發(fā)明提供一種實時性好、預(yù)測精度高的結(jié)合周相似特性的分形交通流預(yù)測方法。
本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是 一種結(jié)合周相似特性的分形交通流預(yù)測方法，所述預(yù)測方法包括以下步驟 1)、以周為周期的不同工作日的交通流數(shù)據(jù)，將交通流數(shù)據(jù)進(jìn)行分組，組成設(shè)定時間段下的同一路口不同方向上的交通流序列，表示為 {Ni}＝{N1，N2，N3，...Nn} {N1i}＝{N11，N12，N13，...，N1n}(i＝1，...，n) {N2i}＝{N21，N22，N23，...，N2n}(i＝1，...，n) {N3i}＝{N31，N32，N33，...，N3n}(i＝1，...，n) … {Nmi}＝{Nm1，Nm2，Nm3，...，Nmn}(i＝1，...，n) 其中{Ni}、{N1i}、{N2i}、{N3i}...{Nmi}分別代表當(dāng)前時刻前設(shè)定時間到當(dāng)前時刻的交通流量序列、一周前該時間段的交通流量序列、兩周前該時間段的交通流量序列、三周前該時間段的交通流量序列...m周前該時間段的交通流量序列，n、m均為自然數(shù)，其中m≥3； 2)、提取當(dāng)前時刻前設(shè)定時間到當(dāng)前時刻的交通流量序列{Ni}，初始化n＝1，進(jìn)行n階累計計算得到{Si}，{Sni}(i＝1，...，n)＝N(A，ε)i，根據(jù)下式(2)計算 設(shè)定分形維數(shù)的下限d，若經(jīng)過多階累計后計算得出的分形維數(shù)的D＞d，則停止進(jìn)行累計，并且以所得到的D求取常數(shù)C的值，然后將得到的D和C代入公式(3)求得{Sn}n+1， N(A，ε)＝C/f(1/ε)D(3) 根據(jù)累計的階數(shù)n對所得到的{Sn}n+1進(jìn)行n次往回迭代，得到的值即為N(A，ε)i+1； 3)、根據(jù)一周前該時間段的交通流量序列、兩周前該時間段的交通流量序列、三周前該時間段的交通流量序列...m周前該時間段的交通流量序列，分別進(jìn)行步驟2)的計算，得到各自的預(yù)測數(shù)據(jù)，依照公式(10)計算得到誤差修正后的預(yù)測流程 Q(t+1)＝Q′(t+1)+K1[Q1(t+1)-Q′1(t+1)]+K2[Q2(t+1)-Q′2(t+1)] (10) +K3[Q3(t+1)-Q′3(t+1)]+...+Ki[Qi(t+1)-Q′i(t+1)] 上式(10)中，Q(t+1)為待定的時刻t+1預(yù)測流量； Q′(t+1)為根據(jù)公式(3)計算得出的預(yù)測流量，Q′(t+1)＝N(A，ε)i+1； Qi(t+1)為i周前t+1時刻檢測器實際檢測到的交通流量值； Q′i(t+1)為i周前t+1時刻根據(jù)公式(3)計算得出的預(yù)測流量。
本發(fā)明的技術(shù)構(gòu)思為交通流在一定時間尺度下存在分形現(xiàn)象，利用分形方法來挖掘交通流時間序列的內(nèi)在規(guī)律性，避免從交通流的影響因素入手去分析問題帶來的一些困難。考慮到股票價格、石油價格的變化與交通流的變化存在一些共性，將動態(tài)變維的分形預(yù)測模型應(yīng)用到交通流的短時預(yù)測中，但交通流與它們在分形尺度上存在著較大的差別，短時預(yù)測需要預(yù)測的時間較短，分形的自相似性較弱，在使用的過程中以其它領(lǐng)域的預(yù)測模型為基礎(chǔ)，結(jié)合交通流的周相似特性，發(fā)明了具有周相似特性的交通流分形預(yù)測模型。
對交通流進(jìn)行交通流存在自相似性，在無標(biāo)度區(qū)間內(nèi)存在分形現(xiàn)象，經(jīng)典的分形分布模型是建立預(yù)測模型的數(shù)學(xué)基礎(chǔ)，它刻畫了系統(tǒng)的復(fù)雜程度。
分形分布模型分形是不規(guī)則的集合，它的不規(guī)則性通過分形維數(shù)來定量刻畫。分形維數(shù)的一個直觀的思想就是如果成立 N(A，ε)≈Cε-D (1) C是一個常數(shù)，則稱A有分形維數(shù)D。
在式(2)中，若D為常數(shù)，則該分形稱為常維分形。它在雙對數(shù)坐標(biāo)上是一條直線。根據(jù)直線上的任意兩個數(shù)據(jù)點(diǎn)(N(A，ε)i，(1/ε)i)和(N(A，ε)j，(1/ε)j)(其中i＝(1，2，...，n)j＝(1，2，...，n))可以確定直線的斜率即分形維數(shù)D和常數(shù)C。
價格分形預(yù)測模型對石油價格進(jìn)行預(yù)測時，針對在對雙對數(shù)坐標(biāo)上為非直線函數(shù)關(guān)系這種情況，采用變維分形的方法建立預(yù)測模型。
N(A，ε)＝C/f(1/ε)D (3) 但在分形維數(shù)D的確定上，此方法存在一定的缺陷，通過觀察變動法，確定在某個區(qū)域內(nèi)變動較小的維數(shù)D的值，若求得的D變動較為劇烈，則觀察法將失效；況且所研究的對象是靜態(tài)的歷史數(shù)據(jù)，這時使用觀察法的觀察樣本較少，比較容易確定維數(shù)D，若要進(jìn)行滾動式的預(yù)測，每進(jìn)行一步預(yù)測，則要使用觀察法對新的維數(shù)樣本進(jìn)行篩選得出維數(shù)D，計算比較繁瑣。
面向交通流的分形預(yù)測模型這里所提出的交通流分形預(yù)測模型以經(jīng)典的分形分布模型為基礎(chǔ)，參考價格分形預(yù)測模型的變維思路，具體的模型如下 利用經(jīng)典的分形分布模型對交通流建模，其中N(A，ε)i代表交通流時間序列，(1/ε)i代表的則是數(shù)據(jù)點(diǎn)在時間序列中的位置。
本發(fā)明的有益效果主要表現(xiàn)在1、實時性好、預(yù)測精度高；2、給交通誘導(dǎo)系統(tǒng)提供依據(jù)，為個性化行駛路線的生成提供決策數(shù)據(jù)。



圖1是某路口周尺度下的交通流變化曲線。
圖2是采樣點(diǎn)為144個的關(guān)系圖。
圖3是采樣點(diǎn)為720個的關(guān)系圖。
圖4是采樣點(diǎn)為1440個的關(guān)系圖。
圖5是采樣點(diǎn)為2880個的關(guān)系圖。
圖6是lnC與lnr的關(guān)系圖。
圖7是分形預(yù)測數(shù)據(jù)的流程圖。

具體實施例方式 下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。
參照圖1～圖7，一種結(jié)合周相似特性的分形交通流預(yù)測方法，所述預(yù)測方法包括以下步驟 1)、以周為周期的不同工作日的交通流數(shù)據(jù)，將交通流數(shù)據(jù)進(jìn)行分組，組成設(shè)定時間段下的同一路口不同方向上的交通流序列，表示為 {Ni}＝{N1，N2，N3，...Nn} {N1i}＝{N11，N12，N13，...，N1n}(i＝1，...，n) {N2i}＝{N21，N22，N23，...，N2n}(i＝1，...，n) {N3i}＝{N31，N32，N33，...，N3n}(i＝1，...，n) … {Nmi}＝{Nm1，Nm2，Nm3，...，Nmn}(i＝1，...，n) 其中{Ni}、{N1i}、{N2i}、{N3i}...{Nmi}分別代表當(dāng)前時刻前設(shè)定時間到當(dāng)前時刻的交通流量序列、一周前該時間段的交通流量序列、兩周前該時間段的交通流量序列、三周前該時間段的交通流量序列...m周前該時間段的交通流量序列，n、m均為自然數(shù)，其中m≥3； 2)、提取當(dāng)前時刻前設(shè)定時間到當(dāng)前時刻的交通流量序列{Ni}，初始化n＝1，進(jìn)行n階累計計算得到{Si}，{Sni}(i＝1，...，n)＝N(A，ε)i，根據(jù)下式(2)計算 設(shè)定分形維數(shù)的下限d，若經(jīng)過多階累計后計算得出的分形維數(shù)的D＞d，則停止進(jìn)行累計，并且以所得到的D求取常數(shù)C的值，然后將得到的D和C代入公式(3)求得{Sn}n+1， N(A，ε)＝C/f(1/ε)D (3) 根據(jù)累計的階數(shù)n對所得到的{Sn}n+1進(jìn)行n次往回迭代，得到的值即為N(A，ε)i+1； 3)、根據(jù)一周前該時間段的交通流量序列、兩周前該時間段的交通流量序列、三周前該時間段的交通流量序列...m周前該時間段的交通流量序列，分別進(jìn)行步驟2)的計算，得到各自的預(yù)測數(shù)據(jù)，依照公式(10)計算得到誤差修正后的預(yù)測流程 Q(t+1)＝Q′(t+1)+K1[Q1(t+1)-Q′1(t+1)]+K2[Q2(t+1)-Q′2(t+1)](10) +K3[Q3(t+1)-Q′3(t+1)]+...+Ki[Qi(t+1)-Q′i(t+1)] 上式(10)中，Q(t+1)為待定的時刻t+1預(yù)測流量； Q′(t+1)為根據(jù)公式(3)計算得出的預(yù)測流量，Q′(t+1)＝N(A，ε)i+1； Qi(t+1)為i周前t+1時刻檢測器實際檢測到的交通流量值； Q′i(t+1)為i周前t+1時刻根據(jù)公式(3)計算得出的預(yù)測流量。
以杭州市為例，利用提出的改進(jìn)的預(yù)測模型對交通流進(jìn)行5分鐘的短時預(yù)測。在使用該模型進(jìn)行預(yù)測之前，我們需要證明5分鐘的觀察尺度下杭州市的交通流存在分形現(xiàn)象，而分形現(xiàn)象的存在與否可以通過是否存在無標(biāo)度區(qū)間或者分形維數(shù)來判斷。計算維數(shù)之前對交通流時間序列進(jìn)行R/S分析，偵測時間序列是否存在長程相關(guān)性，它主要由Hurst指數(shù)來反映。Hurst指數(shù)反映的是時間序列的均值離差隨時間的變化范圍。
首先進(jìn)行R/S分析分別選擇144個、720個、1440個、2880個采樣點(diǎn)進(jìn)行分析，得出如圖2～5所示的四組InR/S～I(xiàn)nT曲線。
在R/S分析中，若Hurst指數(shù)H＞0.5，時間序列為正相關(guān)，即與歷 史趨勢一致，也就是說明路網(wǎng)上的交通流量具有歷史記憶性。若H＜0.5，則時間序列為負(fù)相關(guān)，則呈現(xiàn)出與歷史相反的趨勢，表明路網(wǎng)上的交通流量無記憶性，也就不存在混沌與自組織現(xiàn)象。通過對所得到的數(shù)據(jù)進(jìn)行最小二乘法分析，求得Hurst指數(shù)和回歸系數(shù)如表1所示從表1中可以看到Hurst指數(shù)均為大于0.5的值，進(jìn)一步論證了一旦路網(wǎng)確定后，交通流的出行特性也就確定了，從而證明了交通流具有自組織的能力，也就證明了交通流在某個無標(biāo)度區(qū)間內(nèi)存在分形特征。表1為根據(jù)最小二乘法求得的Hurst指數(shù)和回歸系數(shù)。
表1 再確定無標(biāo)度區(qū)間 存在無標(biāo)度區(qū)間是分形現(xiàn)象存在的前提條件。為了驗證杭州市以5分鐘為最小觀察尺度的交通流存在分形現(xiàn)象，采用G-P算法確定關(guān)聯(lián)維數(shù)，采用的樣本為以5分鐘為間隔，持續(xù)時間為一周的交通流量，選擇的步長(ss)為6，相空間延遲為8，嵌入空間維數(shù)m＝(2~15)，進(jìn)行關(guān)聯(lián)維數(shù)分析，結(jié)果如圖6所示，lnr與lnC的數(shù)值如表2、表3所示[15]。圖6中自上而下的嵌入空間維數(shù)為m＝(2~15)。根據(jù)表2與表3所得的結(jié)果，可粗略的確定無標(biāo)度區(qū)間為[4.8891，5.5822]。表2為m＝(2~15)，步長為6，lnC對應(yīng)的值；表3為步長為6，lnr對應(yīng)的值。
表2 表3 無標(biāo)度區(qū)間的確定證明了以5分鐘為觀察尺度的交通流存在分形特征，根據(jù)表2與表三可得出在無標(biāo)度區(qū)間內(nèi)，隨著嵌入維數(shù)m的增大，圖6中曲線的斜率的變化幅度將大幅減少，也即隨著嵌入維數(shù)的增大，D收斂于某一個值。計算在無標(biāo)度區(qū)間內(nèi)，當(dāng)m＝6時，斜率的相對變化幅度較少，則設(shè)定維數(shù)的下限d為m＝6時的斜率。
預(yù)測應(yīng)用的過程為 現(xiàn)將所提出的改進(jìn)的模型運(yùn)用到杭州市路口的交通流量預(yù)測中，說明改進(jìn)模型的必要性以及檢驗?zāi)Ｐ偷暮侠硇院途_程度。以天目山路一教工路口為研究對象進(jìn)行預(yù)測，表4所描述的是運(yùn)用石油價格預(yù)測模型在交通流短時預(yù)測所得到的結(jié)果，表5描述的是采用改進(jìn)的面向交通流的預(yù)測模型所得到的結(jié)果。表4是石油價格預(yù)測模型預(yù)測交通流的結(jié)果；表5是改進(jìn)的面向交通流預(yù)測模型預(yù)測的結(jié)果。

表4
表5。
權(quán)利要求
1、一種結(jié)合周相似特性的分形交通流預(yù)測方法，其特征在于所述預(yù)測方法包括以下步驟
1)、以周為周期的不同工作日的交通流數(shù)據(jù)，將交通流數(shù)據(jù)進(jìn)行分組，組成設(shè)定時間段下的同一路口不同方向上的交通流序列，表示為
{Ni}＝{N1，N2，N3，...Nn}
{N1i}＝{N11，N12，N13，...，N1n}(i＝1，...，n)
{N2i}＝{N21，N22，N23，...，N2n}(i＝1，...，n)
{N3i}＝{N31，N32，N33，...，N3n}(i＝1，..，n)
...
{Nmi}＝{Nm1，Nm2，Nm3，...，Nmn}(i＝1，...，n)
其中{Ni}、{N1i}、{N2i}、{N3i}...{Nmi}分別代表當(dāng)前時刻前設(shè)定時間到當(dāng)前時刻的交通流量序列、一周前該時間段的交通流量序列、兩周前該時間段的交通流量序列、三周前該時間段的交通流量序列...m周前該時間段的交通流量序列，n、m均為自然數(shù)，其中m≥3；
2)、提取當(dāng)前時刻前設(shè)定時間到當(dāng)前時刻的交通流量序列{Ni}，初始化n＝1，進(jìn)行n階累計計算得到{Si}，{Sni}(i＝1，...n)＝N(A，ε)i，根據(jù)下式(2)計算
設(shè)定分形維數(shù)的下限d，若經(jīng)過多階累計后計算得出的分形維數(shù)的D＞d，則停止進(jìn)行累計，并且以所得到的D求取常數(shù)C的值，然后將得到的D和C代入公式(3)求得{Sn}n+1，
N(A，ε)＝C/f(1/ε)D(3)
根據(jù)累計的階數(shù)n對所得到的{Sn}n+1進(jìn)行n次往回迭代，得到的值即為N(A，ε)i+1；
3)、根據(jù)一周前該時間段的交通流量序列、兩周前該時間段的交通流量序列、三周前該時間段的交通流量序列...m周前該時間段的交通流量序列，分別進(jìn)行步驟(2)的計算，得到各自的預(yù)測數(shù)據(jù)，依照公式(10)計算得到誤差修正后的預(yù)測流程
Q(t+1)＝Q(t+1)+K1[Q1(t+1)-Q1′(t+1)]+K2[Q2(t+1)-Q2′(t+1)] (10)+K3[Q3(t+1)-Q3′(t+1)]+...+KiQ1(t+1)-Q1′(t+1)
上式(10)中，Q(t+1)為待定的時刻t+1預(yù)測流量；
Q′(t+1)為根據(jù)公式(3)計算得出的預(yù)測流量，Q(t+1)＝N(A，ε)i+1；
Qi(t+1)為i周前t+1時刻檢測器實際檢測到的交通流量值；
Qi′(t+1)為i周前t+1時刻根據(jù)公式(3)計算得出的預(yù)測流量。
全文摘要
一種結(jié)合周相似特性的分形交通流預(yù)測方法，包括以下步驟1)以周為周期的不同工作日的交通流數(shù)據(jù)，將交通流數(shù)據(jù)進(jìn)行分組，組成設(shè)定時間段下的同一路口不同方向上的交通流序列；2)提取當(dāng)前時刻前設(shè)定時間到當(dāng)前時刻的交通流量序列{Ni}，初始化n＝1，進(jìn)行n階累計計算得到{Si}，{Sni}(i＝1，…，n)＝N(A，ε)i，得到的值即為N(A，ε)i+1；3)根據(jù)一周前該時間段的交通流量序列、兩周前該時間段的交通流量序列、三周前該時間段的交通流量序列、…、m周前該時間段的交通流量序列，分別進(jìn)行步驟2)的計算，得到各自的預(yù)測數(shù)據(jù)，并進(jìn)行誤差修正，得到預(yù)測的結(jié)果數(shù)據(jù)。本發(fā)明提供一種實時性好、預(yù)測精度高的結(jié)合周相似特性的分形交通流預(yù)測方法。
文檔編號G08G1/01GK101290713SQ20081006145
公開日2008年10月22日 申請日期2008年7月11日 優(yōu)先權(quán)日2008年7月11日
發(fā)明者董紅召, 徐建軍, 寧 陳, 郭明飛, 吳方國, 溫曉岳 申請人:浙江工業(yè)大學(xué)